港中深团队打造新型AI评测集,或可成为数学大模型检验的重要基准
近日,港中来自香港中文大学(深圳)的深团数学一支科研团队通过求解器的引入,把大模型回答的队打大模合肥市某某水泥制品厂数学模型交给求解器解决,进而通过比对求解器的造新重基准答案,得以成功判断数学模型的型A型检正确性。
这相当于为参加考试的测集成考生准备了高级计算器,只需输入方程就能得出准确答案。港中这样一来,深团数学就可以判断学生所写的队打大模方程是否正确。
基于这个理念,造新重基准该团队构建了一款名为 Mamo 的型A型检评测集,能够结合不同的测集成求解器评测大模型相应的建模能力。
未来,港中合肥市某某水泥制品厂这一评测集可能会成为数学大模型检验的深团数学重要基准,从而能够用于测试新训练大模型的队打大模建模能力。
同时,本次评测集的出现,也让评测中间过程成为可能,有望带动运筹大模型的发展。
谈及本次课题的初衷,研究人员表示在讨论 AI for math、特别是讨论大模型 for math 的时候,他们重点讨论了使用大模型做定理证明的任务。
借此发现采用现有的形式化定理证明工具,可以自动地验证证明过程的正确性,从而确定大模型的证明是否正确。否则,用自动化的方式判断一段数学证明的正确性是比较困难的。
以此为启发:他们想知道在其他任务中,是否存在和形式化定理证明工具一样的东西?如果有的话,能否让他们以简单的方式判断大模型的答案是否正确?
于是他们想到了求解器。当给定目标之后,求解器可以帮助运行出对应问题/对应方程的解。
通过对不同解答的比对,就可以判断中间过程、也就是判断数学模型的正确性。
此外,一直以来,人们对于大模型的数学能力的比较,一直是在最终结果(即一道题的最终答案)上,但却缺乏对于中间过程的关注。
打个比方,就是像数学考试解答题的判卷中,只考虑最后的答案正不正确,而忽略了中间的解题过程。但是,中间的解题过程和答案一样重要。
因此,课题组希望把这个评价体系拆开,不再只是关注最终答案,而是关注中间的解题过程。于是,便开展了本次研究并发表了相关论文。
图 | 论文作者黄旭函(来源:黄旭函)
日前,相关论文以《Mamo: 一个带有求解器的数学建模基准》(Mamo: a Mathematical Modeling Benchmark with 求解器 s)为题发在arXiv[1]。
图 | 相关论文(来源:arXiv)
下一步,他们将扩充数据,同时探索能够适配 Mamo 的不同求解器种类,以及构建相应的评测集。
参考资料:
1.https://arxiv.org/pdf/2405.13144
(责任编辑:焦点)
- Bang & Olufsen 铂傲头戴式耳机 Beoplay H100 发布,11598 元
- 广州海洋馆今起回归,有游客“吐槽”票价、科普介绍等问题
- 今日返回地球!嫦娥六号完成轨返解锁分离
- 多省份公布高考成绩,最新分数线汇总→
- 正式交付,号称美军最强型号!
- 尚雯婕:争取一直做一个电子唱跳人
- 西瓜冷藏一下再吃感觉更甜?专家:这真不是错觉!
- 头条欧洲杯|这就是足球,有时会快乐,有时会失望
- 巴西“封杀”X社交平台,违规使用者每日将被罚8900美元
- 韩国9部门对华城电池工厂火灾原因展开联合调查
- 历史一刻!嫦娥六号降落地球瞬间
- 《头脑特工队2》:票房大超前作,水准略逊前作
- 中企在非洲|“在中企工作让我有了梦想——拥有自己的试验室”
- 2024年黑龙江高考本科招生院校及计划变化,新增26所高校在黑招生
- 新型光子单元问世,用光实现信息存储和读取
- 专访|《墨雨云间》导演马诗歌:一次短剧思维做长剧的尝试
- 长沙岳麓山橘子洲等景区临时闭园!游客称误认为积水公路是河
- 北京地铁:目前个别车站视客流情况采取临时限流措施
- 通过法国援乌14架米格
- 新剧|谭松韵、许凯主演,《你比星光美丽》7月2日开播
- 爱将?弃将!阿姆拉巴特今年0首发;曼联1000万租一年踢1205分钟 views+
- 归化奥斯卡,足协有何顾忌? views+
- 媒体人谈U17女足:整体上具备了强队形态,这批球员都值得期待 views+
- 拜仁官方:战皇马前最后一练,科曼、格雷罗等缺席 views+
- 萨基:国米配得上夺冠;意甲球队在比赛中当应增强协同性 views+
- 张杰晒亲密合照为谢娜庆生,结婚12年甜如热恋,发文时间似有深意 views+
- 斯卡马卡近两个月打进10球,同期五大联赛中仅次凯恩和帕尔默 views+
- 赫塔菲主席:拉波尔塔曾询问过格林伍德的情况,巴萨有意他 views+
- 宋仲基宋慧乔将同框出席百想,离婚5年后,他们实现首度同台 views+
- 叶珂澄清与黄晓明关系!再次回复网友:不要再乱猜测了 views+